Kinas AI-gennembrud vil være banebrydende for tidlig kræftopdagelse

Kinas AI-gennembrud vil være banebrydende for tidlig kræftopdagelse

HANGZHOU -- I en milepælsudvikling for medicinsk Med teknologi har kinesiske forskere afsløret et kunstig intelligens-system, der er i stand til at opdage mavekræft i tidlige stadier via standard CT-scanninger, et gennembrud, der kan transformere kræftdetektering på verdensplan.

Gennembruddet kommer i en tid, hvor kinesiske forskere og tech-firmaer arbejder på at tage en global førerposition inden for AI-drevet sundhedspleje, med vidtrækkende konsekvenser for millioner af mennesker, der er i risiko for den dødelige sygdom.

GRAPE-modellen, udviklet i et samarbejde mellem Zhejiang Cancer Hospital og Alibabas DAMO Academy, repræsenterer et betydeligt spring fremad inden for tidlig kræftopdagelse.

Studiet, der blev offentliggjort i sidste uge i tidsskriftet Nature Medicine, viser, hvordan kunstig intelligens kan identificere mavetumorer fra CT-billeddannelse uden kontrastmiddel, en metode, der tidligere blev anset for at være relativt ineffektiv til screening for mavekræft.

Mavekræft er fortsat en af de mest dødelige kræftformer, især i Asien. Ifølge National Cancer Center of China registrerer landet 360.000 nye tilfælde og 260.000 dødsfald årligt, hvor diagnoser i sene stadier bidrager til en dyster femårsoverlevelsesrate på under 30 procent.

I modsætning hertil har patienter, der diagnosticeres i stadium et, en overlevelsesodds på over 90 procent. Traditionelle screeningsmetoder er dog afhængige af invasive endoskopier, som er dyre, ubehagelige og ofte afskrækker deltagelse.

GRAPE adresserer disse udfordringer ved at omdanne rutinemæssige CT-scanninger, der allerede er meget udbredt i hospitaler og klinikker, til effektive screeningsværktøjer.

"Det er meget udfordrende at identificere mavekræft gennem AI-algoritmer på grund af de betydelige variationer i mavens udspiling og form," sagde Xia Yingda, en algoritmeekspert fra DAMO Academy Medical AI Team.

AI'en, der er trænet på næsten 100.000 scanninger fra 20 medicinske centre i hele Kina, opnåede en følsomhed på 85,1 procent i at opdage tidlige tumorer, hvilket overgik menneskelige radiologer med en betydelig margin.

"Vi registrerede CT-scanninger med kontrastforstærket materiale samt CT-scanninger uden kontrast, hvilket gjorde det muligt for AI'en at få meget præcis information og præcist identificere steder med mavekræft," forklarede Xia, medforfatter på artiklen.

I forsøg på to hospitaler i den virkelige verden øgede systemet opdagelsesraterne til så høje som 24,5 procent. Ifølge undersøgelsen var cirka 40 procent af de opdagede tilfælde patienter med mavekræft uden symptomer.

"AI-modellen gør billedbaseret screening for mavekræft mulig for første gang," sagde Cheng Xiangdong, en ledende forsker fra Zhejiang Cancer Hospital.

"Selv de mest avancerede og præcise kirurgiske behandlinger kan trods alt ikke matche effektiviteten af tidlig diagnose og behandling," tilføjede Cheng.

Forskerholdet analyserede retrospektivt CT-billederne af 11 patienter før deres mavekræftdiagnose og fandt, at AI-modellen kunne opdage mavekræft 2 til 10 måneder tidligere.

En 45-årig patient diagnosticeret med lokalt fremskreden mavekræft havde gennemgået en CT-scanning uden kontrastmiddel seks måneder tidligere for en anden sygdom uden gastrointestinale symptomer, og AI-modellen viste sig at være i stand til at opdage tegn på mavekræft på det tidspunkt.

GRAPE er allerede blevet implementeret på hospitaler i det østlige Kinas Zhejiang- og Anhui-provinser, med planer om bredere markedsføring både nationalt og internationalt, sagde Cheng.

Gennembruddet fulgte Kinas tidligere succes med PANDA, en AI-model designet til at opdage kræft i bugspytkirtlen, en af medicinens mest flygtige dræbersager, gennem almindelig CT-billeddannelse.

PANDA udviste en sensitivitet på 92,9 procent og en specificitet på 99,9 procent for kræftpåvisning i kliniske forsøg. Implementeringen af PANDA kan være særligt transformerende i lavindkomstregioner, hvor avancerede screeningsmetoder ikke er tilgængelige, hvilket kan reducere omkostningerne betydeligt.

MERE UDRUKKELSE

Et stigende antal kinesiske forskere udnytter kunstig intelligens til at tackle kritiske sundhedsudfordringer, hvor systemer allerede er i brug på førende institutioner som Peking Union Medical College Hospital og Shanghais Ruijin Hospital.

Førstnævnte bruger AI til at screene for kognitive svækkelser relateret til slagtilfælde, Alzheimers og Parkinsons, mens sidstnævnte – RuiPath, udviklet af Huawei – analyserer patologiske dias for at præcist identificere læsionsområder, hvilket reducerer diagnosetiden for et enkelt dias til blot sekunder.

I april rapporterede et team fra Kræfthospitalet under det Kinesiske Akademi for Medicinske Videnskaber i Nature Communications om deres brug af en AI-algoritme til at forbedre nøjagtigheden af screening for livmoderhalskræft, der er lig med eller ud over menneskelige eksperters.

Systemet har vist sig særligt værdifuldt til at hjælpe yngre patologer og bidrage til at reducere diagnostiske fejl i regioner med begrænset adgang til specialister.

Disse innovationer afspejler Kinas strategiske investering i at fremme AI-sundhedsløsninger. DAMOs pilotprogrammer har opnået "én scanning til flere kontroller" gennem en enkelt CT-scanning uden kontrastmiddel, der afdækker tidlige stadier af kræft såsom bugspytkirtel-, mave-, spiserørs-, kolorektal- og leverkræft, kroniske sygdomme som osteoporose og fedtlever samt akutte tilstande som aortasyndrom.

DAMO PANDA er officielt blevet udpeget som et banebrydende apparat af den amerikanske fødevare- og lægemiddelstyrelse i april.

Ved hjælp af DAMO PANDA har Folkehospitalet tilknyttet Ningbo Universitet screenet over 40.000 personer og opdaget to tidlige tilfælde af kræft i bugspytkirtlen, der ikke blev opdaget i rutinemæssige tests, herunder en læsion på 1,5 centimeter, der efterfølgende blev behandlet kirurgisk.

"AI giver medicin et nyt sæt øjne," sagde Xia. "Hvor mennesker måske overser subtile tegn i komplekse scanninger, leverer disse modeller ensartet og utrættelig analyse, og de bliver kun bedre."